Khitan small script
PulseAugur coverage of Khitan small script — every cluster mentioning Khitan small script across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架将 2D 模型适配于 3D 和 4D 分割
研究人员开发了 SAM+D，一个旨在将 SAM 和 SAM2 等 2D 基础模型适配于 3D 体积分割和 4D 时空分割任务的新颖框架。这种参数高效的方法引入了两个轻量级模块：深度路由 LoRA (Depth-Routed LoRA) 和深度移位模块 (Depth Shift Modules)，它们能够实现跨切片特征交换和空间自适应更新，同时保持大部分预训练参数冻结。SAM+D 在 3D 分割的医学成像基准测试和 4D 分割的细胞追踪…
-
新框架通过可解释的AI特征增强肿瘤分类
研究人员开发了一个新框架，将深度学习与可解释AI技术相结合，用于发现和验证用于肿瘤分类的影像组学特征。该方法使用深度学习进行分割，并利用Grad-CAM等注意力机制来识别关键区域，然后使用SHAP来解释影像组学特征。该框架旨在提高成像特征的预测性能和生物学可解释性，为无创肿瘤表征提供更具可重复性的解决方案。
-
新框架通过可解释的深度学习特征增强肿瘤分类
研究人员开发了一个新框架，将深度学习与影像组学分析相结合，创建用于肿瘤分类的可解释影像特征。该方法首先使用分割模型精确勾勒肿瘤，然后采用 Grad-CAM 引导的流程来确定特征识别的重要区域。该框架使用下游分类模型和传统机器学习验证这些特征，提供了更好的生物学可解释性和非侵入性肿瘤表征的可复现解决方案。
-
研究人员开发用于医学图像分割和持续学习的新型人工智能方法
研究人员正在开发先进的医学图像分割技术，以应对域偏移和提示依赖等挑战。一种方法侧重于SAM2等模型的无提示、参数高效微调，在降低计算成本的同时显著提高了准确性。另一项研究对医学分割的持续学习方法进行了基准测试，评估了遗忘之外的性能，并突出了基于重放方法的优势。此外，一个名为MedFlowSeg的新框架利用流匹配技术在医学图像分割中进行高效灵活的生成建模，其性能优于现有的基于扩散的方法。